Métodos de aprendizaje automático para el pronóstico del consumo eléctrico de prosumidores

Resumen

La tendencia hacia la llamada digitalización de los sistemas energéticos trae consigo la implementación de medidores de electricidad inteligentes y el desarrollo del mercado de «prosumidores» (usuarios productores y consumidores de energía quienes generan electricidad localmente a partir de fuentes renovables), el cual requiere de tecnologías emergentes, tales como el aprendizaje automático (en inglés, machine learning) para mejorar la gestión energética. El objetivo de la investigación es desarrollar modelos basados en métodos de aprendizaje automático para pronosticar el consumo eléctrico horario de un prosumidor residencial ubicado en Alemania. En este estudio, se desarrolla una metodología para construir modelos de predicción basados en los métodos seleccionados «k-vecinos más cercanos» y «redes neuronales artificiales» (en inglés, k-Nearest Neighbors y Artificial Neural Networks, respectivamente), los cuales son aplicados a las mediciones históricas de consumo eléctrico de quince meses en combinación con datos meteorológicos de temperatura local. A pesar de la complejidad para predecir el consumo, debido al uso irregular de energía eléctrica en un hogar, los modelos k-Nearest Neighbors y Artificial Neural Networks mostraron resultados de exactitud aceptables con un error porcentual absoluto medio en el orden del 30 % en tres escenarios diferentes con períodos de pronóstico de 48, 24 y 1 horas. Los modelos predictivos desarrollados pueden ser implementados por modelos de negocio emergentes orientados hacia el prosumidor, cuya propuesta de valor se basa en reducir los costos de electricidad a través de la mejora del autoconsumo de energía renovable.